深度學(xué)習(xí)下MEMS陀螺溫度誤差補(bǔ)償方法*

宋一平劉 寧劉福朝雷明戚文昊

(北京信息科技大學(xué)高動(dòng)態(tài)導(dǎo)航技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100192)

MEMS(Micro-Electro-Mechanical System)陀螺儀是一種成本低、體積小、可靠性好的微機(jī)械陀螺儀[1]。MEMS陀螺儀不同于傳統(tǒng)陀螺儀的工作原理，它是通過科里奧利力來實(shí)現(xiàn)的。MEMS陀螺儀以其體積小、性能好、價(jià)格低等優(yōu)點(diǎn)在微慣性導(dǎo)航系統(tǒng)、軍事、汽車、消費(fèi)電子、移動(dòng)應(yīng)用、機(jī)器人、工業(yè)、醫(yī)療等領(lǐng)域得到廣泛的應(yīng)用[1]。

由于MEMS陀螺儀的材質(zhì)特性，其數(shù)據(jù)輸出受溫度影響十分顯著，這使MEMS陀螺儀的精度達(dá)不到要求，限制了它的進(jìn)一步應(yīng)用[2]。為解決該問題，需要對(duì)MEMS陀螺儀進(jìn)行溫度補(bǔ)償，現(xiàn)有的溫度補(bǔ)償方法有三種:溫度控制、器件設(shè)計(jì)和算法補(bǔ)償[2]。本文研究的內(nèi)容是算法補(bǔ)償，算法補(bǔ)償?shù)暮诵乃枷胧峭ㄟ^構(gòu)造溫度誤差模型，使陀螺儀的輸出誤差得到補(bǔ)償。構(gòu)造溫度誤差模型的方法有以下兩種:一是最小二乘多項(xiàng)式法，二是神經(jīng)網(wǎng)絡(luò)算法[3]。多項(xiàng)式模型不足以模擬突然變化的小范圍溫度間隔和傳感器滯后的偏差趨勢(shì)。針對(duì)多項(xiàng)式模型的不足，李士心等學(xué)者提出了一種基于灰色模型和RBF神經(jīng)網(wǎng)絡(luò)的MEMS陀螺溫度補(bǔ)償方法[4]。為了更快速準(zhǔn)確的對(duì)陀螺儀進(jìn)行溫度補(bǔ)償，進(jìn)一步提出了CMAC小腦神經(jīng)網(wǎng)絡(luò)模型，它在解決了非線性問題的同時(shí)還具有結(jié)構(gòu)簡單以及快速的學(xué)習(xí)收斂性的優(yōu)點(diǎn)。ZENG L J和MIN F采用Elman神經(jīng)網(wǎng)絡(luò)，直接補(bǔ)償陀螺輸出誤差，實(shí)驗(yàn)結(jié)果表明，該方法可以顯著降低溫度變化引起的陀螺漂移[5]。Yang Yuan提出了一種基于遺傳算法的支持向量機(jī)優(yōu)化方法來補(bǔ)償陀螺儀的零位漂移[6]。Li Dinghua，Zhou Jun等人采用遞歸神經(jīng)網(wǎng)絡(luò)與卡爾曼濾波器結(jié)合的方法補(bǔ)償MEMS陀螺的零位漂移[7]。李魯明等人通過改進(jìn)卡爾曼濾波的陀螺儀誤差補(bǔ)償算法，阻抑陀螺儀的隨機(jī)誤差[8]。

在上述補(bǔ)償方法中存在如下不足:RBF神經(jīng)網(wǎng)絡(luò)的泛化性能不佳，存在擬合不足和擬合過度的問題；CMAC小腦神經(jīng)網(wǎng)絡(luò)模型的工作機(jī)理是利用一種非線性映射的查表機(jī)制。由于它的運(yùn)算特性，占用了大量的存儲(chǔ)空間，并且存在局部收斂的缺點(diǎn)；MEMS陀螺儀的零位漂移用支持向量機(jī)補(bǔ)償法進(jìn)行補(bǔ)償?shù)娜秉c(diǎn)在于特征向量和模型參數(shù)選取的過程非常復(fù)雜；Kalman濾波的局限性在于，當(dāng)系統(tǒng)模型和噪聲統(tǒng)計(jì)特性存在不確定性的情況下應(yīng)用受到限制[9]。

為了優(yōu)化MEMS陀螺儀的溫度補(bǔ)償方法，本文對(duì)MEMS陀螺儀進(jìn)行溫度誤差機(jī)理分析，將深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)相結(jié)合。通過對(duì)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)，改進(jìn)了溫度誤差模型的缺陷，提高其優(yōu)越性，抑制了MEMS陀螺儀的溫度漂移。

1 溫度誤差機(jī)理分析

溫度變化引起的漂移是MEMS陀螺儀主要的誤差之一，溫度通過改變陀螺的諧振頻率和驅(qū)動(dòng)振幅來影響陀螺的性能[10－11]。由于MEMS陀螺儀是由硅制成的，硅是一種熱敏材料，當(dāng)環(huán)境溫度發(fā)生變化，彈性模量會(huì)隨之改變，陀螺儀剛度在彈性模量的影響下，使諧振頻率發(fā)生改變，導(dǎo)致MEMS陀螺儀的漂移加劇，陀螺精度大幅下降[11]，MEMS陀螺儀的剛度與環(huán)境溫度的關(guān)系可表示為:

式中:K和K0分別是在溫度T和T0下陀螺儀的剛度。陀螺儀諧振頻率與環(huán)境溫度的關(guān)系式如下:

式中:f(T)和f0分別是諧振子在溫度為T和T0時(shí)的諧振頻率。

由式(2)可以看出，陀螺儀的諧振頻率與溫度變化有關(guān)，溫度對(duì)MEMS陀螺儀的影響較大，使陀螺輸出精度降低。通過分析MEMS慣性器件的溫度影響機(jī)理，對(duì)MEMS溫度誤差補(bǔ)償方法進(jìn)行研究。

2 深度學(xué)習(xí)下的神經(jīng)網(wǎng)絡(luò)模型搭建

2.1 RNN神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)的過程是從信號(hào)中提取特征，然后映射到特征值，其中特征是由網(wǎng)絡(luò)自己選擇的。深度學(xué)習(xí)下的神經(jīng)網(wǎng)絡(luò)層級(jí)不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，如圖1中RNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖所示。

圖1 RNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

其中，x表示輸入層的值，s表示隱藏層的值，o表示輸出層的值。U是輸出層到隱藏層的權(quán)重矩陣，V是隱藏層到輸出層的權(quán)重矩陣，W代表的是各時(shí)間點(diǎn)之間的權(quán)重矩陣。RNN循環(huán)神經(jīng)網(wǎng)絡(luò)隱藏層的值s不僅取決于當(dāng)前的輸入x，還與上一隱藏層的值s有關(guān)。將圖1循環(huán)層按時(shí)間線展開，如圖2所示。

圖2 RNN循環(huán)層時(shí)間線展開圖

隨著模型深度不斷增加，RNN循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)面臨梯度消失的問題，不能很好地處理長距離的依賴。為此引入了LSTM長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是基于RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的衍生網(wǎng)絡(luò)，它是一種能夠捕捉長時(shí)依賴的特殊循環(huán)神經(jīng)網(wǎng)絡(luò)[12]。它能夠解決訓(xùn)練過程中RNN循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失的問題，并克服只能短時(shí)學(xué)習(xí)的缺點(diǎn)[13]。LSTM的核心概念在于細(xì)胞狀態(tài)以及“門”結(jié)構(gòu)。細(xì)胞狀態(tài)是傳遞有關(guān)信息的途徑，它將序列中的有關(guān)信息傳遞下去?！伴T”結(jié)構(gòu)的作用是在訓(xùn)練過程中負(fù)責(zé)學(xué)習(xí)信息的去留問題。LSTM單元中有三種類型的門控，分別為:輸入門、遺忘門和輸出門。LSTM神經(jīng)網(wǎng)絡(luò)對(duì)有關(guān)信息保存篩選的操作是由這三種門控實(shí)現(xiàn)的。如圖3所示。

圖3 LSTM結(jié)構(gòu)模型圖

門控是由sigmoid函數(shù)和點(diǎn)乘運(yùn)算實(shí)現(xiàn)。本文采用的門控的形式表示為:

式中:σ(x)＝1/[1＋exp(－x)]，稱為Sigmoid函數(shù)，它是一種常用的非線性激活函數(shù)，通過將一個(gè)數(shù)值映射到區(qū)間0～1內(nèi)，來確定信息是否被順利傳遞到下一步。當(dāng)門的輸出值為0，表示信息被攔截，當(dāng)值為1則表示信息順利通過。分別使用i、f和o來表示輸入門、遺忘門和輸出門的輸出值，☉代表對(duì)應(yīng)元素相乘，W和b表示網(wǎng)絡(luò)的權(quán)重矩陣和偏置向量。LSTM的前向計(jì)算過程可以表示為:

LSTM神經(jīng)網(wǎng)絡(luò)的運(yùn)行模式與RNN神經(jīng)網(wǎng)絡(luò)的無太大差異，不同之處在于，LSTM神經(jīng)網(wǎng)絡(luò)經(jīng)由一個(gè)更確切的內(nèi)部處置單元有效地存儲(chǔ)和更新信息。LSTM神經(jīng)網(wǎng)絡(luò)將sigmoid函數(shù)映射到[0，1]區(qū)間上，以便剔除或保留相關(guān)信息。通過這種方式，存儲(chǔ)單元可以同時(shí)捕捉短期和長期的時(shí)間序列特征，解決RNN神經(jīng)網(wǎng)絡(luò)梯度消失的問題[14]。

2.3 LSTM神經(jīng)網(wǎng)絡(luò)建模

本文基于多層的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，該算法模型按照以下步驟進(jìn)行設(shè)計(jì):

步驟1 設(shè)計(jì)LSTM網(wǎng)絡(luò)模型層級(jí)。采用3層LSTM網(wǎng)絡(luò)，一層扁平化網(wǎng)絡(luò)，一層全連接網(wǎng)絡(luò)。通過flatten層把輸入信息扁平化，將多維輸入轉(zhuǎn)變?yōu)橐痪S輸入。經(jīng)由一個(gè)全連接層將LSTM輸出的向量轉(zhuǎn)換成標(biāo)簽向量的維度。網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4所示。

圖4 網(wǎng)絡(luò)結(jié)構(gòu)圖

步驟2 LSTM單元用128個(gè)神經(jīng)元進(jìn)行訓(xùn)練。選用32 360樣本數(shù)據(jù)集為訓(xùn)練集，32 360樣本為測(cè)試集。輸入維度為2，滑動(dòng)窗口大小為100。然后需要調(diào)節(jié)的主要參數(shù)有存儲(chǔ)單元數(shù)目、結(jié)構(gòu)和訓(xùn)練集時(shí)間窗口大小。對(duì)每種情況訓(xùn)練100次，監(jiān)測(cè)網(wǎng)絡(luò)模型指標(biāo)。

步驟3 評(píng)估訓(xùn)練后的LSTM神經(jīng)網(wǎng)絡(luò)性能。通過平均絕對(duì)誤差(MAE)、均方誤差(MSE)、均方根誤差(RMSE)這三個(gè)評(píng)價(jià)指標(biāo)判定LSTM網(wǎng)絡(luò)模型的預(yù)測(cè)能力。MAE的值越小表示預(yù)測(cè)模型的精度越高。MSE和RMSE的值越小表示模型的預(yù)測(cè)效果越穩(wěn)定。

3 LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練

本文研究的LSTM神經(jīng)網(wǎng)絡(luò)算法包括訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩大方面。訓(xùn)練結(jié)果和測(cè)試結(jié)果的準(zhǔn)確性往往取決于數(shù)據(jù)的選擇、數(shù)據(jù)量的大小和模型參數(shù)的設(shè)定三個(gè)方面。初步完成神經(jīng)網(wǎng)絡(luò)模型搭建之后，需要測(cè)試模型的補(bǔ)償效果，根據(jù)測(cè)試后得到的評(píng)價(jià)指標(biāo)進(jìn)而調(diào)整模型的參數(shù)、特征或者算法，以達(dá)到滿意的結(jié)果。LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法是一種反向傳播算法，主要分為以下三個(gè)步驟:

步驟1 計(jì)算每個(gè)神經(jīng)元的正向傳播參數(shù)。計(jì)算LSTM神經(jīng)網(wǎng)絡(luò)中f t，i t，C t，o t和h t這五個(gè)向量的值。

步驟2 計(jì)算每個(gè)神經(jīng)元的誤差值δ。LSTM神經(jīng)網(wǎng)絡(luò)誤差項(xiàng)的反向傳播包括兩個(gè)方向:一個(gè)是沿時(shí)間方向的反向傳播，通過當(dāng)前時(shí)間t計(jì)算每一時(shí)刻的誤差項(xiàng)；另一個(gè)是沿著上一層的反向傳播。

步驟3 計(jì)算每個(gè)權(quán)重的梯度，然后使用ADAM優(yōu)化算法和時(shí)間反向傳播BPTT算法更新權(quán)重。

為了減少訓(xùn)練模型的誤差，避免陷入局部最優(yōu)解，首先對(duì)時(shí)間序列進(jìn)行反向傳播和歸一化，然后對(duì)各層權(quán)值和學(xué)習(xí)率進(jìn)行初始化，最后采用基于ADAM的優(yōu)化算法和時(shí)間反向傳播BPTT算法對(duì)LSTM網(wǎng)絡(luò)進(jìn)行進(jìn)一步訓(xùn)練。具體網(wǎng)絡(luò)訓(xùn)練流程如圖5所示。

圖5 LSTM網(wǎng)絡(luò)訓(xùn)練流程

本文選用的評(píng)價(jià)指標(biāo)是平均絕對(duì)誤差、均方誤差、均方根誤差，通過這三個(gè)指標(biāo)來評(píng)估LSTM網(wǎng)絡(luò)模型的預(yù)測(cè)能力[13]:

式中:y t為t時(shí)刻的實(shí)際輸出，＾y t為t時(shí)刻的預(yù)測(cè)輸出。

由表1可以看出，MAE的值隨著反向傳播次數(shù)的增加逐漸減小，這說明預(yù)測(cè)模型的精度逐漸提高。MSE和RMSE的值越小，說明模型的預(yù)測(cè)效果越穩(wěn)定。

表1 LSTM網(wǎng)絡(luò)訓(xùn)練模型指標(biāo)

4 實(shí)驗(yàn)分析

4.1 數(shù)據(jù)采集與預(yù)處理

實(shí)驗(yàn)中使用的設(shè)備有MEMS陀螺儀(由高動(dòng)態(tài)導(dǎo)航北京市重點(diǎn)實(shí)驗(yàn)室自制)、一臺(tái)雙軸轉(zhuǎn)臺(tái)高低溫試驗(yàn)箱和一臺(tái)計(jì)算機(jī)。設(shè)計(jì)MEMS陀螺儀的硬件結(jié)構(gòu)，制作出如圖6所示的MEMS陀螺樣機(jī)。在采集數(shù)據(jù)前需要對(duì)陀螺儀設(shè)備進(jìn)行校準(zhǔn)，然后通過雙軸轉(zhuǎn)臺(tái)高低溫試驗(yàn)箱實(shí)現(xiàn)MEMS陀螺儀的溫度變化，最后利用由實(shí)驗(yàn)室制作的hdntCenter上位機(jī)軟件記錄陀螺儀的輸出數(shù)據(jù)以及溫度數(shù)據(jù)。具體過程如下。

圖6 MEMS陀螺儀

將帶有型號(hào)為ADXRS646的陀螺儀的MENS器件放置于溫箱內(nèi)，如圖7所示。打開測(cè)試設(shè)備電源，設(shè)置溫箱程序，設(shè)定溫度為－40℃～60℃。在測(cè)試過程中，溫度是唯一環(huán)境量，通過熱阻得到MEMS陀螺儀金屬外殼內(nèi)部的實(shí)時(shí)溫度，其值與MEMS陀螺儀輸出同步[15]。溫箱溫度初始值設(shè)置為－40℃，待溫度到達(dá)－40℃后，保溫15 min，打開hdntCenter上位機(jī)軟件開始記錄數(shù)據(jù)。溫箱溫度在－40℃保持1 h后將溫度變化速率調(diào)至0.5℃/min，當(dāng)溫箱溫度升高至60℃后保持1 h，以確保MEMS陀螺儀外殼內(nèi)部的溫度與溫箱溫度保持一致，隨后停止記錄，保存數(shù)據(jù)并關(guān)閉溫箱。

圖7 雙軸轉(zhuǎn)臺(tái)高低溫試驗(yàn)箱

在溫度區(qū)間內(nèi)進(jìn)行數(shù)據(jù)采樣，得到陀螺零位漂移－溫度的關(guān)系圖，如圖8所示。由于原始的MEMS陀螺儀零位漂移與溫度關(guān)系的數(shù)據(jù)過多，使得圖像不精準(zhǔn)。為了得到更精準(zhǔn)的MEMS陀螺儀零位漂移與溫度關(guān)系的曲線圖，需要每0.1℃在原始陀螺零位漂移－溫度的關(guān)系曲線上取前后100個(gè)樣本的平均值作為新的陀螺零位漂移－溫度關(guān)系曲線的樣本點(diǎn)，如圖9所示。

圖8 MEMS陀螺儀的零位漂移－溫度關(guān)系

圖9 取平均值后MEMS陀螺儀的零位漂移－溫度關(guān)系

4.2 實(shí)驗(yàn)結(jié)果及分析

采集數(shù)據(jù)的前70%作為訓(xùn)練樣本，剩下的30%作為測(cè)試樣本。本文對(duì)LSTM網(wǎng)絡(luò)進(jìn)行了50次迭代訓(xùn)練，滑動(dòng)窗口大小為1，所有采集到的數(shù)據(jù)在使用前進(jìn)行相應(yīng)的處理。訓(xùn)練完成后，將訓(xùn)練好的網(wǎng)絡(luò)參數(shù)存儲(chǔ)到測(cè)試數(shù)據(jù)集中，測(cè)試LSTM網(wǎng)絡(luò)模型的性能。圖10表明了隨著迭代次數(shù)的增加LSTM網(wǎng)絡(luò)的誤差變化?？梢钥闯觯?jīng)過50次訓(xùn)練后，LSTM網(wǎng)絡(luò)的損失函數(shù)下降趨于穩(wěn)定。

圖10 LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練周期與誤差的關(guān)系

為了顯示出LSTM神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，本文與傳統(tǒng)多項(xiàng)式模型、RBF神經(jīng)網(wǎng)絡(luò)模型、CMAC小腦模型作對(duì)比。利用同一測(cè)試集檢驗(yàn)幾種模型的預(yù)測(cè)精度，表2列出了不同模型的預(yù)測(cè)能力和補(bǔ)償效果的

表2 不同模型的評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)。與其他模型相比LSTM神經(jīng)網(wǎng)絡(luò)模型的MAE、MSE和RMSE的值更小，這表明預(yù)測(cè)模型的精度高，穩(wěn)定性好。表3為陀螺儀的性能指標(biāo)，對(duì)比其他模型，LSTM網(wǎng)絡(luò)模型的性能指標(biāo)的優(yōu)越性十分顯著。從圖11可以更直觀的看出，LSTM神經(jīng)網(wǎng)絡(luò)模型的補(bǔ)償效果優(yōu)于其他模型。

表3 陀螺儀的性能指標(biāo)

圖11 不同模型的補(bǔ)償效果

4.3 LSTM神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證

使用相同型號(hào)的另一組陀螺儀進(jìn)行實(shí)驗(yàn)，在－40℃～60℃溫度區(qū)間內(nèi)采集7組數(shù)據(jù)。采用LSTM網(wǎng)絡(luò)模型對(duì)MEMS陀螺儀輸出進(jìn)行溫度補(bǔ)償，補(bǔ)償后的模型評(píng)價(jià)指標(biāo)如表4所示，7組均方誤差、絕對(duì)值均差、均方根誤差這三指標(biāo)值上下波動(dòng)不大，且數(shù)值較小，說明模型預(yù)測(cè)精度高，補(bǔ)償效果穩(wěn)定。

表4 LSTM網(wǎng)絡(luò)的評(píng)價(jià)指標(biāo)

經(jīng)過數(shù)據(jù)預(yù)處理，計(jì)算出陀螺的各項(xiàng)指標(biāo)。表5列舉了MEMS陀螺儀溫度補(bǔ)償前的各項(xiàng)指標(biāo)，表6為通過LSTM網(wǎng)絡(luò)補(bǔ)償后的陀螺儀指標(biāo)。對(duì)比可知，補(bǔ)償后的陀螺儀零偏穩(wěn)定性、零偏不穩(wěn)定性、角度隨機(jī)游走數(shù)值大幅度減小，證明了穩(wěn)定補(bǔ)償模型的準(zhǔn)確性。

表5 溫度補(bǔ)償前MEMS陀螺儀的各項(xiàng)指標(biāo)

表6 溫度補(bǔ)償后MEMS陀螺儀的各項(xiàng)指標(biāo)

4.4 硬件實(shí)現(xiàn)

利用訓(xùn)練好的模型實(shí)現(xiàn)MEMS陀螺儀輸出的溫度補(bǔ)償，具體流程如圖12所示。對(duì)于本文提出的深度學(xué)習(xí)下的多層LSTM網(wǎng)絡(luò)，需要通過Cube.ai在STM32上實(shí)現(xiàn)。利用Cube.ai部署多層LSTM網(wǎng)絡(luò)的具體步驟如下:

圖12 系統(tǒng)組成圖

步驟1 利用上文4.1節(jié)中方法利用hdntCenter上位機(jī)軟件采集陀螺儀溫度數(shù)據(jù)和原始輸出數(shù)據(jù)，重復(fù)測(cè)試2組。

步驟2 利用Python將兩組數(shù)據(jù)在每0.1℃取前后100個(gè)陀螺儀輸出的平均值作為網(wǎng)絡(luò)訓(xùn)練樣本和測(cè)試樣本，并將訓(xùn)練樣本和測(cè)試樣本逐一打上標(biāo)簽(標(biāo)簽為陀螺儀零偏)。

步驟3 訓(xùn)練深度學(xué)習(xí)下的多層LSTM網(wǎng)絡(luò)模型。利用Python的Keras深度學(xué)習(xí)框架構(gòu)建本文深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。將陀螺的輸出數(shù)據(jù)和對(duì)應(yīng)的溫度數(shù)據(jù)作為LSTM深度學(xué)習(xí)網(wǎng)絡(luò)的輸入，步驟2中的標(biāo)簽作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸出。應(yīng)用3種不用的損失函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，通過短時(shí)間內(nèi)多次迭代，使得網(wǎng)絡(luò)的輸出可以最小化期望的誤差標(biāo)準(zhǔn)。

步驟4 將深度學(xué)習(xí)下的多層LSTM網(wǎng)絡(luò)轉(zhuǎn)換為STM32的優(yōu)化代碼。把訓(xùn)練好的深度學(xué)習(xí)模型的.h5文件輸入到CubeMX軟件中，借助STM32 CubeMX軟件中Cube.ai工具箱優(yōu)化代碼，將網(wǎng)絡(luò)轉(zhuǎn)化成STM32可以運(yùn)行的Keil工程文件，并使工程復(fù)雜度和內(nèi)存需求最小化。隨后下載到STM32中。

步驟5 使用訓(xùn)練后的網(wǎng)絡(luò)處理和分析實(shí)時(shí)數(shù)據(jù)。

5 結(jié)論

本文將深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種在LSTM神經(jīng)網(wǎng)絡(luò)的作用下能抑制MEMS陀螺儀受溫度影響產(chǎn)生零位漂移的方法。該方法將網(wǎng)絡(luò)層級(jí)部分進(jìn)行了優(yōu)化，利用其特有的網(wǎng)絡(luò)層級(jí)對(duì)有限樣本進(jìn)行數(shù)據(jù)訓(xùn)練，使網(wǎng)絡(luò)對(duì)非線性函數(shù)輸出具有預(yù)測(cè)能力。LSTM神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，模擬更加復(fù)雜的函數(shù)，從而提高補(bǔ)償模型的準(zhǔn)確性，為后續(xù)的溫度誤差補(bǔ)償?shù)於嘶A(chǔ)。為了驗(yàn)證LSTM神經(jīng)網(wǎng)絡(luò)模型的優(yōu)越性和有效性有效性，本文將LSTM模型與其他模型進(jìn)行對(duì)比試驗(yàn)，經(jīng)過LSTM神經(jīng)網(wǎng)絡(luò)模型補(bǔ)償?shù)男Ч麍D更趨近于一條水平直線。對(duì)比幾種模型的預(yù)測(cè)能力和補(bǔ)償效果評(píng)價(jià)指標(biāo)，實(shí)驗(yàn)表明，LSTM模型與RBF溫度補(bǔ)償模型相比，陀螺儀補(bǔ)償后的零偏穩(wěn)定性、零偏不穩(wěn)定性和角度隨機(jī)游走等性能指標(biāo)，以及MAE、MSE、RMSE三個(gè)模型評(píng)價(jià)指標(biāo)提高了90%以上。并且LSTM神經(jīng)網(wǎng)絡(luò)模型的MAE、MSE、RMSE值最小，這說明LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精度高，效果穩(wěn)定。后續(xù)對(duì)LSTM神經(jīng)網(wǎng)絡(luò)模型的可行性和準(zhǔn)確性也進(jìn)行了進(jìn)一步的驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，基于LSTM神經(jīng)網(wǎng)絡(luò)模型補(bǔ)償后的陀螺輸出精度顯著提高，補(bǔ)償效果明顯，具有一定的工程應(yīng)用價(jià)值。